Scrapy框架CrawlSpiders的介绍以及使用详解

在Scrapy基础——Spider中，我简要地说了一下Spider类。Spider基本上能做很多事情了，但是如果你想爬取知乎或者是简书全站的话，你可能需要一个更强大的武器。CrawlSpider基于Spider，但是可以说是为全站爬取而生。

CrawlSpiders是Spider的派生类，Spider类的设计原则是只爬取start_url列表中的网页，而CrawlSpider类定义了一些规则(rule)来提供跟进link的方便的机制，从爬取的网页中获取link并继续爬取的工作更适合。

一、我们先来分析一下CrawlSpiders源码

源码解析class CrawlSpider(Spider):  rules = ()  def __init__(self, *a, **kw):    super(CrawlSpider, self).__init__(*a, **kw)    self._compile_rules()  # 首先调用parse()来处理start_urls中返回的response对象  # parse()则将这些response对象传递给了_parse_response()函数处理，并设置回调函数为parse_start_url()  # 设置了跟进标志位True  # parse将返回item和跟进了的Request对象    def parse(self, response):    return self._parse_response(response, self.parse_start_url, cb_kwargs={}, follow=True)  # 处理start_url中返回的response，需要重写  def parse_start_url(self, response):    return []  def process_results(self, response, results):    return results  # 从response中抽取符合任一用户定义'规则'的链接，并构造成Resquest对象返回  def _requests_to_follow(self, response):    if not isinstance(response, HtmlResponse):      return    seen = set()    # 抽取之内的所有链接，只要通过任意一个'规则'，即表示合法    for n, rule in enumerate(self._rules):      links = [l for l in rule.link_extractor.extract_links(response) if l not in seen]      # 使用用户指定的process_links处理每个连接      if links and rule.process_links:        links = rule.process_links(links)      # 将链接加入seen集合，为每个链接生成Request对象，并设置回调函数为_repsonse_downloaded()      for link in links:        seen.add(link)        # 构造Request对象，并将Rule规则中定义的回调函数作为这个Request对象的回调函数        r = Request(url=link.url, callback=self._response_downloaded)        r.meta.update(rule=n, link_text=link.text)        # 对每个Request调用process_request()函数。该函数默认为indentify，即不做任何处理，直接返回该Request.        yield rule.process_request(r)  # 处理通过rule提取出的连接，并返回item以及request  def _response_downloaded(self, response):    rule = self._rules[response.meta['rule']]    return self._parse_response(response, rule.callback, rule.cb_kwargs, rule.follow)  # 解析response对象，会用callback解析处理他，并返回request或Item对象  def _parse_response(self, response, callback, cb_kwargs, follow=True):    # 首先判断是否设置了回调函数。（该回调函数可能是rule中的解析函数，也可能是 parse_start_url函数）    # 如果设置了回调函数（parse_start_url()），那么首先用parse_start_url()处理response对象，    # 然后再交给process_results处理。返回cb_res的一个列表    if callback:      #如果是parse调用的，则会解析成Request对象      #如果是rule callback，则会解析成Item      cb_res = callback(response, **cb_kwargs) or ()      cb_res = self.process_results(response, cb_res)      for requests_or_item in iterate_spider_output(cb_res):        yield requests_or_item    # 如果需要跟进，那么使用定义的Rule规则提取并返回这些Request对象    if follow and self._follow_links:      #返回每个Request对象      for request_or_item in self._requests_to_follow(response):        yield request_or_item  def _compile_rules(self):    def get_method(method):      if callable(method):        return method      elif isinstance(method, basestring):        return getattr(self, method, None)    self._rules = [copy.copy(r) for r in self.rules]    for rule in self._rules:      rule.callback = get_method(rule.callback)      rule.process_links = get_method(rule.process_links)      rule.process_request = get_method(rule.process_request)  def set_crawler(self, crawler):    super(CrawlSpider, self).set_crawler(crawler)    self._follow_links = crawler.settings.getbool('CRAWLSPIDER_FOLLOW_LINKS', True)